[发明专利]视频推荐方法、其装置、信息处理设备及存储介质

说明书

本发明公开了一种视频推荐方法、其装置、信息处理设备及存储介质，在所有的用户历史行为数据中确定多个具有前后关联性的视频序列作为训练神经网络模型的样本。采用这样的视频序列样本对神经网络模型进行训练之后，可以确定出针对每个视频的物品向量，从而将每个视频用向量表示。考虑到用户的实时兴趣与时间相关，根据用户按照时间由近至远所观看视频以及各视频对应的物品向量来确定用户对应的用户向量，能够体现出用户的实时兴趣。由此，根据各视频对应的物品向量与用户对应的用户向量的相似程度可以确定出每个用户所感兴趣的视频的相似排序，以此排序向用户推荐视频更符合用户的倾向和实时兴趣，有利于提高视频推荐的准确度，提升用户体验。

技术领域

本发明涉及视频技术领域，尤其涉及一种视频推荐方法、其装置、信息处理设备及存储介质。

背景技术

随着互联网技术的不断发展，网络视频日益丰富，用户观看视频不再局限于电视，还可以通过互联网搜索感兴趣的视频观看，不再受限电视的播放时限。除此之外，互联网视频还可以向用户推荐用户，方便用户选择。

目前，通常采用协同过滤的方式向用户推荐视频，这种方法依赖于用户观看视频的历史行为，需要基于大量的历史行为数据进行视频推荐，需要处理的数据量庞大，效率不高。并且用户观看视频时的兴趣可能随着时间发生变化的，但现有的视频推荐方法没有考虑到用户的实时兴趣，推荐的准确度有待提高。

发明内容

本发明提供一种视频推荐方法、其装置、信息处理设备及存储介质，用以优化视频推荐的准确度。

第一方面，本发明提供一种视频推荐方法，包括：

根据数据库中所有用户的历史行为数据确定多个视频序列样本以及每个用户按照由近至远的时间顺序所观看视频的视频序列；所述视频序列样本中的各视频与该视频相邻的视频之间存在相关性；

采用所述视频序列样本对设定的神经网络模型进行训练，确定各所述视频对应的物品向量；

根据各用户的视频序列中各视频的排列顺序以及各所述视频对应的物品向量，确定各用户对应的用户向量；

依次确定各所述视频对应的物品向量与各用户对应的用户向量之间的相似度，按照与用户对应的用户向量的相似度由高到低的顺序向该用户推荐相似视频。

在一种可实现的实施方式中，在本发明提供的上述方法中，所述神经网络模型为item2vec模型；

所述采用所述视频序列样本对设定的神经网络模型进行训练，确定各所述视频对应的物品向量，包括：

采用所述视频序列样本对所述item2vec模型进行训练；

将训练完成的所述item2vec模型的隐空间参数表示为与各所述视频对应的物品向量；

其中，所述物品向量所包含的分量的数量小于所述视频序列样本所包含的视频的数量。

在一种可实现的实施方式中，在本发明提供的上述方法中，所述用户向量采用以下公式确定：

其中，表示所述用户向量，表示第j个视频的物品向量，w_j表示第j个视频的时间衰减权重。

在一种可实现的实施方式中，在本发明提供的上述方法中，所述时间衰减权重采用以下公式确定：

其中，w_j表示时间衰减权重，α为表示时间衰减系数，order表示视频在所述视频序列中的排序。

在一种可实现的实施方式中，在本发明提供的上述方法中，所述物品向量与所述用户向量的相似度采用以下公式确定：